本研究提出了一种新的离线数据增强方法D-CODA，旨在提升双手操作中的眼手协调模仿学习表现。通过合成手腕摄像机图像和动作标签，D-CODA在模拟和现实任务中均优于基线方法，推动了数据增强技术的发展。

本研究提出了DexMimicGen，一个大规模自动数据生成系统，旨在解决机器人双手灵巧操作中的数据获取瓶颈，从而有效提升机器人操作性能。

本文探讨了基于人类示范的模仿学习在机器人双手操作中的应用，提出了ScrewMimic和CTC等新方法，显著提高了任务成功率和操作效率。同时，研究分析了模仿学习算法在工业环境中的超参数敏感性和性能差异，为算法选择提供依据。